作为高光谱遥感领域中的一项重要研究内容，光谱解混可实现高光谱遥感图像中混合像元所包含地物类型的识别及相应地物的丰度估计，光谱解混研究对于地物亚像元分类具有重要的理论意义和广泛的应用价值。传统的非负约束(AbundanceNonnegativity Constraint，ANC)最小二乘高光谱图像解混方法无闭式解，需进行多次迭代获取收敛最优解，运算复杂度高;大多数的解混方法只运用单个像元的光谱信息进行逐像素的光谱解混，而忽略了自然界地物本身所具有的空间相关特性，所幸近年来光谱和空间信息的综合利用已经在高光谱图像分类和解混中得到了重视和应用，但还值得进一步地研究和改进。　　本文以凸面几何理论、最小二乘法、稀疏回归方法以及最优化理论为基础，考虑高光谱图像像元光谱向量在高维特征空间的分布特性，通过引入单形体正化方法来提升传统全约束最小二乘方法的解混效率;同时，为综合应用像元光谱与其邻域像元的光谱和空间信息，将光谱相似性度量、光谱和空间信息约束引入到稀疏光谱解混方法中，以此来提高高光谱图像光谱解混结果的准确性和空间分布的平滑性。论文的主要工作和创新性成果包括:　　1.提出一种基于单形体正化的高光谱图像全约束线性解混方法。根据高光谱数据中地物丰度系数所具有的物理意义，传统的高光谱图像全约束最小二乘线性光谱解混方法引入了和为一约束(Abundance Sum-to-one Constraint，ASC)和ANC两个约束项，其中ANC为非等式约束，无闭式解，通常需要多次迭代才能获得收敛最优解，计算复杂度高。据此，通过在特征空间对高光谱数据所张成的单形体形状及相应的外点分布特性分析，提出一种基于单形体正化的高光谱数据全约束线性光谱解混方法。该方法根据已知端元对所有分布在高维特征空间的像元光谱向量张成的单形体进行正化处理，再对正化后的数据采用ASC约束求解丰度系数，最后迭代剔除丰度负值端元得全约束解。通过模拟数据和真实高光谱数据的实验验证，表明该方法可获得传统全约束解基本一致的丰度估计，但处理效率大大提升。　　2.提出一种基于高光谱图像光谱相似性度量的多任务联合稀疏解混方法。联合稀疏表示方法基于分布式压缩感知框架，在高光谱图像光谱解混和图像分类中均有应用。其中，联合稀疏光谱解混采用邻域像元构建联合解混模型，虽然综合了空间邻域信息，但计算量巨大，而多任务（协同）稀疏解混同时对影像中所有像元丰度系数矩阵的行进行稀疏约束，然而其没考虑图像中地物的差异性对重建丰度矩阵的行稀疏约束的影响。本文方法首先通过高光谱图像的光谱特性统计值设定相似性度量阈值，再对高光谱数据中相似的像元通过光谱相似性度量进行分组，最后引入多任务学习思想和交替方向乘子方法对分组像元数据进行多任务联合稀疏表示模型的构建和求解，得到最终的丰度系数。通过模拟数据和真实高光谱数据的实验结果表明，该方法在一定程度上提升了传统多任务联合稀疏解混方法的精度，真实数据结果也验证了方法的有效性。　　3.提出一种基于光谱和空间信息联合约束的高光谱图像稀疏光谱解混方法。结合压缩感知理论在图像处理领域的应用，考虑基于光谱数据库的光谱解混丰度矩阵的稀疏性，高光谱图像的稀疏光谱解混方法近年来成为高光谱数据处理领域的一大研究热点，其优点为无需进行端元提取处理，丰度估计精度高。在此基础上，近来又陆续出现了一些优化的稀疏光谱解混方法，包括对光谱解混丰度系数矩阵约束项进行优化，或增加空间相关的系数约束项，或利用光谱先验信息对系数矩阵进行选择性约束。受光谱和空间信息综合应用的启发，本文提出了一种基于光谱和空间信息约束的高光谱图像稀疏光谱解混方法，将光谱先验约束和空间分布约束均引入到稀疏光谱解混模型，并采用高光谱图像端元和光谱库构建的混合光谱库进行光谱解混。通过模拟数据和真实数据的实验表明，该方法可以进一步提升传统稀疏光谱解混的精度。